基于深度可分离卷积的实时遥感目标检测算法

被引：18

作者：

王成龙 ^{[1
]}

赵倩 ^{[1
]}

赵琰 ^{[1
]}

郭彤 ^{[1
]}

机构：

[1] 上海电力大学电子与信息工程学院

来源：

电光与控制 | 2022年 / 08期

关键词：

遥感; 目标检测; 聚类; 深度可分离卷积; 参数量;

D O I：

暂无

中图分类号：

TP751 [图像处理方法]; TP18 [人工智能理论];

学科分类号：

081002 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对基于深度学习的遥感目标检测算法参数冗余、计算量大且实时检测性能较差的问题，提出了一种基于深度可分离卷积的实时遥感目标检测算法。首先通过K-means++算法对数据集进行锚框(Anchor)聚类分析，使锚框参数更加符合遥感检测场景。为了降低模型参数量、提升检测速度，以轻量级网络MobileNetv3作为主干网络进行特征提取；此外，基于深度可分离卷积的PANet(Path Aggregation Network)结构的设计，使网络参数量进一步降低。改进后模型参数量仅为原来的18.3%,检测速度提升2.19倍，在UCAS＿AOD,RSOD,DIOR这3个遥感数据集上进行测试，实验结果表明，算法鲁棒性强，能够在保证模型检测精度的同时有效提高检测实时性。

引用

页码：45 / 49

页数：5

共 13 条

[1] 基于面部特征的深度学习安全帽检测
王成龙
赵倩
郭彤
[J]. 上海电力大学学报, 2021, 37 (03) : 303 - 307
[2] 基于旋转中心点估计的遥感目标精确检测算法
蒋光峰
胡鹏程
叶桦
仰燕兰
[J]. 计算机应用研究, 2021, 38 (09) : 2866 - 2870
[3] 基于MobileNet与YOLOv3的轻量化卷积神经网络设计
邵伟平
王兴
曹昭睿
白帆
[J]. 计算机应用, 2020, 40 (S1) : 8 - 13
[4] 改进YOLO-v3的遥感图像舰船检测方法
公明
刘妍妍
李国宁
[J]. 电光与控制, 2020, 27 (05) : 102 - 107
[5] 基于多尺度卷积神经网络的遥感目标检测研究
姚群力
胡显
雷宏
[J]. 光学学报, 2019, 39 (11) : 346 - 353
[6] FE-YOLO: A Feature Enhancement Network for Remote Sensing Target Detection
Xu, Danqing
Wu, Yiquan
[J]. REMOTE SENSING, 2021, 13 (07)
[7] Improved YOLO-V3 with DenseNet for Multi-Scale Remote Sensing Target Detection
Xu, Danqing
Wu, Yiquan
[J]. SENSORS, 2020, 20 (15) : 1 - 24
[8] Fusion object detection of satellite imagery with arbitrary-oriented region convolutional neural network
Ya Y.
Pan H.
Jing Z.
Ren X.
Qiao L.
[J]. Aerospace Systems, 2019, 2 (2) : 163 - 174
[9] Cuckoo, Bat and Krill Herd based k-means++ clustering algorithms[J] . Shruti Aggarwal,Paramvir Singh.Cluster Computing . 2019 (6)
[10] Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
Ren, Shaoqing
He, Kaiming
Girshick, Ross
Sun, Jian
[J]. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2017, 39 (06) : 1137 - 1149

← 1 2 →